CN108590244A - 一种用于阅读新闻出版物的图书驿站 - Google Patents

Abstract

本发明公开了一种用于阅读新闻出版物的图书驿站，包括：底座；亭体，其可旋转支撑在所述底座上，亭体内具有多个分隔板将亭体划分为多个借阅空间；借阅查询台，其可旋转支撑在所述底座上，包括借阅查询模块，用于通过关键词查询相关新闻出版物；电子阅读台，其设置在所述借阅台一侧，用于阅读电子版新闻出版物；纸质阅读台，其设置在底座上方，位于所亭体中心，用于阅读纸质版新闻出版物；自动分类书架，其可拆卸设置在所述亭体内部，内部具有分类模块，用于分类放置纸质新闻出版物；中心处理器，其连接所述借阅查询模块和所述自动分类系统，本发明具有语音借阅查询台，能够实现根据语音查询图书上架位置，并根据图书分类位置，自动归还图书。

Description

一种用于阅读新闻出版物的图书驿站

技术领域

本发明涉及新闻出版领域，尤其涉及一种用于阅读新闻出版物的图书驿站。

背景技术

目前我国青年纸质图书和新闻出版物阅读量明显下降，引领青年养成“爱读书，乐读书”的良好氛围，营造全民阅读和谐氛围，不仅需要改变青年阅读意识，更要为青年阅读提供便利条件，通常意义的图书馆因为造价高，通常每个城市仅有一个或几个，而图书驿站的出现能够解决图书馆配套不足的情况，让青年人更易获得图书。

发明内容

本发明设计开发了一种用于阅读新闻出版物的图书驿站，具有借阅查询台，能够实现根据语音查询图书上架位置，并根据图书分类位置，自动归还图书。

本发明提供的技术方案为：

一种用于阅读新闻出版物的图书驿站，包括：

底座；

亭体，其可旋转支撑在所述底座上，所述亭体内具有多个分隔板将所述亭体划分为多个借阅空间；

借阅查询台，其可旋转支撑在所述底座上，包括借阅查询模块，用于通过关键词查询相关新闻出版物；

电子阅读台，其设置在所述借阅台一侧，用于阅读电子版新闻出版物；

纸质阅读台，其设置在所述底座上方，位于所亭体中心，用于阅读纸质版新闻出版物；

自动分类书架，其可拆卸设置在所述亭体内部，内部具有分类模块，用于分类放置纸质新闻出版物；

中心处理器，其连接所述借阅查询模块和所述自动分类系统。

优选的是，还包括太阳能电池板，其设置在所述亭体顶部，用于所述亭体供电。

优选的是，所述借阅查询模块，包括：

语音查询模块，其包括：麦克风和内置处理模块；

文字匹配查询模块，其包括检索模块和微处理器；

借阅身份识别模块，其包括身份识别模块和用户管理模块，其中所述身份识别模块用于识别读者的射频标签，所述用户管理模块与所述身份识别模块数据连接。

优选的是，所述语音查询模块内置语音识别滤波算法，包括：

步骤一、通过麦克风采集带噪声的语音频谱信号作为输入信号；

步骤二、计算语音频谱信号的时域误差信号，并进行初级滤噪得到初级频谱；

步骤三、采用卡尔曼滤波算法对初级频谱进行进一步滤噪得到频谱信号在某一时刻的最优估计值；

步骤四、采用BP神经网络算法，用于获得频谱信号最优估计值与采集到的频谱信号之间的最优连接权值，根据最优连接权值获得语音分析信号，实现对音频信号信噪比和音频失真引入的检测误差进行实时校正。

优选的是，所述步骤三中改进的卡尔曼滤波算法，包括：

步骤一、建立关于带噪语音的数学模型，

x(n)＝Ax(n-1)+Gw(n)

y(n)＝Hx(n)+v(n)

式中，A为现行预测系数构成的状态转移矩阵；x(n)是n时刻的系统状态；表示为x(n)＝[x(n-p+1),x(n-p+2),…,x(n)]^T；H＝G^T＝[0,0,0,…,1]_1×p；y(n)是n时刻的测量值，H是测量系统的参数，w(n)表示过程噪声；

步骤二、基于所述步骤一的数学模型，根据卡尔曼滤波算法得到滤波和预测方程，

P(n|n)＝[I-K(n)H]P(n|n-1)

式中，表示在n-1时刻对n时刻的预测值，是在n时刻结合此时的观测值y(n)对真实状态的估计，表示过程噪声的方差，表示测量噪声方差，K(n)为卡尔曼增益，P(nn-1)表示预测误差协方差矩阵，P(n|n)表示估计误差协方差矩阵。

优选的是，所述步骤四中的BP神经网络算法包括以下步骤：

步骤A、建立三层BP神经网络结构，规格化n时刻语音信号真实状态的估计值检测到的带噪声的语音频谱信号y(n)，音频信号的信噪比τ，谐波失真信号M_α；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}，其中y_1k为带噪声的语音频谱信号系数，y_2k为音频信号的信噪比系数，y_3k为时域误差信号系数；

步骤B、确定隐含层输出向量为{f₁,f₂,f₃…f_j…f_p}，其中p为隐含层节点个数；

步骤C、确定输出层节点数为1个，输出层向量为{l′_ik}，l′_ik为语音信号真实状态的估计值；

步骤D、计算隐含层和输出层向量输出值，并计算隐含层和输出层训练误差，对连接权值进行修正；

步骤E、当神经网络输出规格化系数l′_ik与语音信号真实状态的估计值系数l_ik之间的均方差e≤0.01时结束训练，其中，

优选的是，所述输入层向量规格化公式为，

其中，y_ik为测量参数M_r、τ、M_α；y_max和y_min分别为相应测量参数中的最大值和最小值；

其中，l_ik为对应的语音信号真实状态的估计值系数，x_max和x_min分别为语音信号真实状态的最大值和最小值。

优选的是，所述时域误差信号的计算公式为：

其中，T_α为音频信号的时域误差信号，γ₀为波形频率，δ₂为峰值振荡值，β为波形倾斜度，ε₂-ε₁为过冲量，ω_p为波形响应上升时间。

优选的是，所述分类模块内置图书分类算法，包括：

步骤一、通过摄像头对图书书面文字进行识别，得到图像中的文字的词向量；以及，对文字进行特征提取，得到图书的特征向量；

步骤二、将图像的词向量与图像特征向量进行拼接，得到图书的联合特征向量；

步骤三、根据图像的联合特征向量对所述图书进行分类；

步骤四、将分类后的图书编码，并确定图书上架位置。

优选的是，所述步骤一包括：

步骤a、获取训练样本，所述训练样本集包括N个图书样本，所述N个图书样本属于K个类别，N、K为正整数，且N大于K；

步骤b、图书封面的文字信息进行分词，并将每个词转换为词特征向量；图书的图像信息转换为图像体征向量，将征量拼接后得到文字细信息矩阵，其中，所述文字信息矩阵包括图书样本的隐变量；

步骤c、基于上述样本图书样本的隐变量，通过多元逻辑回归模型，训练所述K个类别的分类器。

本发明所述的有益效果

本发明设计开发了一种用于阅读新闻出版物的图书驿站，具有借阅查询台，能够实现根据语音查询图书上架位置，并根据图书分类位置，自动归还图书。

本发明采用卡尔曼滤波算法对语音信号进行滤噪，并通过神经网络训练音频信号的信噪比、谐波失真信号和滤波后音频信号的关系，实现自动滤波，有效提高语音查询准确率。

附图说明

图1为本发明所述的用于阅读新闻出版物的图书驿站的结构示意图。

图2为本发明所述的用于阅读新闻出版物的图书驿站的内部结构示意图。

图3为本发明所述的内置语音识别滤波算法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1、2所示，本发明提供的用于阅读新闻出版物的图书驿站，包括：底座110、亭体120和太阳能电池板130。

其中，亭体120其可旋转支撑在底座110上，亭体120内具有多个分隔板将亭体划分为多个借阅空间；借阅查询台，其可旋转支撑在底座上，包括借阅查询模块，用于通过关键词查询相关新闻出版物；电子阅读台，其设置在借阅台一侧，用于阅读电子版新闻出版物；纸质阅读台140，其设置在底座110上方，位于亭体120中心，用于阅读纸质版新闻出版物；自动分类书架150，其可拆卸设置在所述亭体内部，内部具有分类模块，用于分类放置纸质新闻出版物；中心处理器，其连接借阅查询模块和自动分类系统。太阳能电池板130其设置在亭体120顶部，用于为亭体120供电。其中，借阅查询模块，包括：语音查询模块，其包括：麦克风和内置处理模块；文字匹配查询模块，其包括检索模块和微处理器；借阅身份识别模块，其包括身份识别模块和用户管理模块，其中身份识别模块用于识别读者的射频标签，用户管理模块与身份识别模块数据连接。

如图3所示，语音查询模块内置语音识别滤波算法，包括：

步骤S110、通过麦克风采集带噪声的语音频谱信号作为输入信号；

步骤S120、计算语音频谱信号的时域误差信号，并进行初级滤噪得到初级频谱，时域误差的计算公式为：

其中，T_α为音频信号的时域误差，γ₀为波形频率，δ₂为峰值振荡值，β为波形倾斜度，ε₂-ε₁为过冲量，ω_p为波形响应上升时间。

将语音频谱信号的幅值结合时域误差，获得初期滤噪结果

其中，A_c为滤噪后幅值，A为语音频谱信号的幅值；

步骤S130、采用卡尔曼滤波算法对初级频谱进行进一步滤噪得到频谱信号在某一时刻的最优估计值；

卡尔曼滤波算法，包括：

步骤S131、建立关于带噪语音的数学模型，

x(n)＝Ax(n-1)+Gw(n)

y(n)＝Hx(n)+v(n)

式中，A为现行预测系数构成的状态转移矩阵；x(n)是n时刻的系统状态；表示为x(n)＝[x(n-p+1),x(n-p+2),…,x(n)]^T；H＝G^T＝[0,0,0,…,1]_1×p；y(n)是n时刻的测量值，H是测量系统的参数，w(n)表示过程噪声；

步骤S132、基于所述步骤一的数学模型，根据卡尔曼滤波算法得到滤波和预测方程，

P(n|n)＝[I-K(n)H]P(n|n-1)

式中，表示在n-1时刻对n时刻的预测值，是在n时刻结合此时的观测值y(n)对真实状态的估计，表示过程噪声的方差，表示测量噪声方差，K(n)为卡尔曼增益，P(nn-1)表示预测误差协方差矩阵，P(n|n)表示估计误差协方差矩阵。

假设初始条件P(0|0)＝0通过上述迭代公式可以得到带噪音信号y(n)在n时刻的最佳估计值

步骤140、采用BP神经网络算法，用于获得频谱信号最优估计值与采集到的频谱信号之间的最优连接权值，根据最优连接权值获得语音分析信号，实现对音频信号信噪比和音频失真引入的检测误差进行实时校正。

步骤141、建立三层BP神经网络结构，规格化n时刻语音信号真实状态的估计值检测到的带噪声的语音频谱信号y(n)，音频信号的信噪比τ，谐波失真信号M_α；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}，其中y_1k为带噪声的语音频谱信号系数，y_2k为音频信号的信噪比系数，y_3k为时域误差信号系数；

步骤142、确定隐含层输出向量为{f₁,f₂,f₃…f_j…f_p}，其中p为隐含层节点个数；

步骤143、确定输出层节点数为1个，输出层向量为{l′_ik}，l′_ik为语音信号真实状态的估计值；

步骤144、计算隐含层和输出层向量输出值，并计算隐含层和输出层训练误差，对连接权值进行修正；

步骤145、当神经网络输出规格化系数l′_ik与语音信号真实状态的估计值系数l_ik之间的均方差e≤0.01时结束训练，其中，

输入层向量规格化公式为，

其中，y_ik为测量参数M_r、τ、M_α；y_max和y_min分别为相应测量参数中的最大值和最小值；

其中，l_ik为对应的语音信号真实状态的估计值系数，x_max和x_min分别为语音信号真实状态的最大值和最小值。

分类模块内置图书分类算法，包括：

步骤一、通过摄像头对图书书面文字进行识别，得到图像中的文字的词向量；以及，对文字进行特征提取，得到图书的特征向量；

步骤a、获取训练样本，所述训练样本集包括N个图书样本，所述N个图书样本属于K个类别，N、K为正整数，且N大于K；

步骤b、图书封面的文字信息进行分词，并将每个词转换为词特征向量；图书的图像信息转换为图像体征向量，将征量拼接后得到文字细信息矩阵，其中，所述文字信息矩阵包括图书样本的隐变量；

步骤c、基于上述样本图书样本的隐变量，通过多元逻辑回归模型，训练所述K个类别的分类器。

步骤二、将图像的词向量与图像特征向量进行拼接，得到图书的联合特征向量；

步骤三、根据图像的联合特征向量对所述图书进行分类；

步骤四、将分类后的图书编码，并确定图书上架位置，编码位置固定，并记录在控制中心里，当读者输入图书编码，控制中心可以找到图书对应位置，并显示在电脑显示器上，读者可完成查询借阅和自动归还功能。

在本实施例中，对图书文字和图片信息的训练，其实际上是通过图书上的文字和信息找到连接信息矩阵，在训练过程中，采用一个三维的网络模型，包括输入层，隐含层和输出层，输入层设定为窗口大小2n内的连接关系的k维向量，隐含层将输入层进行求和极端，输出层对应一棵二叉树，它是由晚归中出现的链接关系建立的Huffman树，其原理为用隐含层得到的结果向量和Huffman树的非叶子节点向量进行Logistic计算，得到目标连接的Huffman树路径，并计算损失率和梯度，然后根据学习率，采用梯度上升的方法对参数进行迭代更新，得到训练好的链接向量。

步骤A、按照出现频率对所有外链进行排序，取频率前的外链；

步骤B、按照出现频率对外链建一棵Huffman树；

步骤C、为Huffman树上的每个节点随机初始化一条对应k维的初始向量；

步骤D、对于每条外链，按设定的上下文窗口大小预测外链在Huffman树上的编号；

步骤E、根据Huffman树的路径上节点的向量计算Loss值和Gradient，运用随机梯度上升法求最大值；

步骤F、根据梯度和学习率更新外链对应的向量及其他相关参数；

步骤G、返回步骤D；

步骤L、最终Huffman树的叶子节点对应的向量就是最终的外链对应的向量。

本发明设计开发了一种用于阅读新闻出版物的图书驿站，具有借阅查询台，能够实现根据语音查询图书上架位置，并根据图书分类位置，自动归还图书。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种用于阅读新闻出版物的图书驿站，其特征在于，包括：

底座；

亭体，其可旋转支撑在所述底座上，所述亭体内具有多个分隔板将所述亭体划分为多个借阅空间；

借阅查询台，其可旋转支撑在所述底座上，包括借阅查询模块，用于通过关键词查询相关新闻出版物；

电子阅读台，其设置在所述借阅台一侧，用于阅读电子版新闻出版物；

纸质阅读台，其设置在所述底座上方，位于所亭体中心，用于阅读纸质版新闻出版物；

自动分类书架，其可拆卸设置在所述亭体内部，内部具有分类模块，用于分类放置纸质新闻出版物；

中心处理器，其连接所述借阅查询模块和所述自动分类系统。

2.根据权利要求1所述的用于阅读新闻出版物的图书驿站，其特征在于，还包括太阳能电池板，其设置在所述亭体顶部，用于所述亭体供电。

3.根据权利要求1所述的用于阅读新闻出版物的图书驿站，其特征在于，所述借阅查询模块，包括：

语音查询模块，其包括：麦克风和内置处理模块；

文字匹配查询模块，其包括检索模块和微处理器；

借阅身份识别模块，其包括身份识别模块和用户管理模块，其中所述身份识别模块用于识别读者的射频标签，所述用户管理模块与所述身份识别模块数据连接。

4.根据权利要求3所述的用于阅读新闻出版物的图书驿站，其特征在于，所述语音查询模块内置语音识别滤波算法，包括：

步骤一、通过麦克风采集带噪声的语音频谱信号作为输入信号；

步骤二、计算语音频谱信号的时域误差信号，并进行初级滤噪得到初级频谱；

步骤三、采用改进的卡尔曼滤波算法对初级频谱进行进一步滤噪得到频谱信号在某一时刻的最优估计值；

步骤四、采用BP神经网络算法，用于获得频谱信号最优估计值与采集到的频谱信号之间的最优连接权值，根据最优连接权值获得语音分析信号，实现对音频信号信噪比和音频失真引入的检测误差进行实时校正。

5.根据权利要求4所述的用于阅读新闻出版物的图书驿站，其特征在于，所述步骤三中改进的卡尔曼滤波算法，包括：

步骤一、建立关于带噪语音的数学模型，

x(n)＝Ax(n-1)+Gw(n)

y(n)＝Hx(n)+v(n)

式中，A为现行预测系数构成的状态转移矩阵；x(n)是n时刻的系统状态；表示为x(n)＝[x(n-p+1),x(n-p+2),…,x(n)]^T；H＝G^T＝[0,0,0,…,1]_1×p；y(n)是n时刻的测量值，H是测量系统的参数，w(n)表示过程噪声；

步骤二、基于所述步骤一的数学模型，根据卡尔曼滤波算法得到滤波和预测方程，

P(n|n)＝[I-K(n)H]P(n|n-1)

式中，表示在n-1时刻对n时刻的预测值，是在n时刻结合此时的观测值y(n)对真实状态的估计，表示过程噪声的方差，表示测量噪声方差，K(n)为卡尔曼增益，P(n|n-1)表示预测误差协方差矩阵，P(n|n)表示估计误差协方差矩阵。

6.根据权利要求4所述的用于阅读新闻出版物的图书驿站，其特征在于，所述步骤四中的BP神经网络算法包括以下步骤：

步骤A、建立三层BP神经网络结构，规格化n时刻语音信号真实状态的估计值检测到的带噪声的语音频谱信号y(n)，音频信号的信噪比τ，谐波失真信号M_α；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}，其中y_1k为带噪声的语音频谱信号系数，y_2k为音频信号的信噪比系数，y_3k为时域误差信号系数；

步骤B、确定隐含层输出向量为{f₁,f₂,f₃…f_j…f_p}，其中p为隐含层节点个数；

步骤C、确定输出层节点数为1个，输出层向量为{l′_ik}，l′_ik为语音信号真实状态的估计值；

步骤D、计算隐含层和输出层向量输出值，并计算隐含层和输出层训练误差，对连接权值进行修正；

步骤E、当神经网络输出规格化系数l′_ik与语音信号真实状态的估计值系数l_ik之间的均方差e≤0.01时结束训练，其中，

7.根据权利要求6所述的用于阅读新闻出版物的图书驿站，其特征在于，所述输入层向量规格化公式为，

其中，y_ik为测量参数M_r、τ、M_α；y_max和y_min分别为相应测量参数中的最大值和最小值；

其中，l_ik为对应的语音信号真实状态的估计值系数，x_max和x_min分别为语音信号真实状态的最大值和最小值。

8.根据权利要求6所述的用于阅读新闻出版物的图书驿站，其特征在于，所述时域误差信号的计算公式为：

其中，T_α为音频信号的时域误差信号，γ₀为波形频率，δ₂为峰值振荡值，β为波形倾斜度，ε₂-ε₁为过冲量，ω_p为波形响应上升时间。

9.根据权利要求1所述的用于阅读新闻出版物的图书驿站，其特征在于，所述分类模块内置图书分类算法，包括：

步骤一、通过摄像头对图书书面文字进行识别，得到图像中的文字的词向量；以及，对文字进行特征提取，得到图书的特征向量；

步骤二、将图像的词向量与图像特征向量进行拼接，得到图书的联合特征向量；

步骤三、根据图像的联合特征向量对所述图书进行分类；

步骤四、将分类后的图书编码，并确定图书上架位置。

10.根据权利要求8所述的用于阅读新闻出版物的图书驿站，其特征在于，所述步骤一包括：

步骤a、获取训练样本，所述训练样本集包括N个图书样本，所述N个图书样本属于K个类别，N、K为正整数，且N大于K；

步骤b、图书封面的文字信息进行分词，并将每个词转换为词特征向量；图书的图像信息转换为图像体征向量，将征量拼接后得到文字细信息矩阵，其中，所述文字信息矩阵包括图书样本的隐变量；

步骤c、基于上述样本图书样本的隐变量，通过多元逻辑回归模型，训练所述K个类别的分类器。